一种基于用户行为反馈的兴趣度模型更新算法

个性化推荐技术在电子商务系统中得到了广泛应用.针对现有的用户模型不能及时根据用户自身兴趣偏移进行更新的问题,提出了一种基于用户行为反馈的兴趣度模型的更新算法,在创建好模型的基础上,分析用户的购买记录和用户的浏览行为,结合用户的兴趣内容,实现用户兴趣的自动更新,得到的针对新的用户兴趣的推荐商品列表,在此基础上结合用户的购买商品记录,实现推荐商品的个性化排序,从而向用户进行个性化推荐.实验对比结果表明,该算法能更好地发现用户当前的购买兴趣,从而进一步提高个性化推荐精度和用户满意度.

一种考虑用户行为的改进N—PageRank算法

针对Google PageRank算法中存在的"平均分配原则"及网络链接结构所造成的"旧网页问题"、"主题漂移问题",提出一种改进的网页排序算法N-PageRank。该算法通过对搜索日志进行数据挖掘,捕捉用户与搜索引擎之间的交互过程,发现隐藏在用户搜索行为背后的用户兴趣和搜索规律,利用用户行为反馈模型,分析网络日志里用户的各项行为特点,改善了排序结果的准确率,保证了搜索引擎的返回结果正是用户所希望看到的网页。实验证明该算法有效地降低了网页排序时的客观因素的影响,充分考虑了用户对于网页质量的评价,所得到的排序结果更加能够满足用户的需求。

Hadoop大数据处理用户行为记录的创新应用

随着计算机和网络应用的广泛深入,网络教学成为教育领域的重要组成部分。当前,网络教学视频存在教师与学生之间交互性、实时性、反馈客观性等方面的缺陷。基于此,本文利用Hadoop大数据实现对学生观看视频全过程的行为监控、记录和反馈,客观地分析教学视频的重难点、学生的掌握情况等信息,辅助教学双方。

基于信息觅食理论的数字图书馆学科服务研究

本文旨在从信息觅食的视角分析读者在数字图书馆的学科信息搜索行为。借鉴动物生态学中的最优觅食原理,分析读者在数字资源平台的信息搜索行为,建立基于用户行为反馈的读者信息觅食模型。通过优化分析模型预测读者在数字资源平台的觅食策略,优化读者的信息觅食环境,提高读者的信息觅食能力,最终提升数字图书馆的学科服务水平。